Rozwój działu Utrzymania Ruchu

Praca zespołu Utrzymania Ruchu w omawianym przykładzie firmy NSG Pilkington Automotive Poland, to nie tylko naprawy, predykcja, konser-wacje i akcje prewencyjne. Pracownicy biorą również udział w projektach rozwoju automatyzacji w zakładzie. Sytuacja na rynku pracy i wymagania konkurencyjności w przemyśle motoryzacyjnym, wymuszają konieczność udziału w projektach zwiększania wydajności urządzeń (poprzez optymali-zację ich programów) i automatyzacji stanowisk pracy fizycznej. W pierw-szym przypadku mówimy o skracaniu czasu cyklu poszczególnych maszyn i eliminowaniu niepotrzebnych przestojów, w drugim o opracowaniu kon-cepcji maszyn i systemów, mających zastąpić ludzi, przy niektórych opera-cjach technologicznych [11].

W samym dziale UR działania rozwojowe i optymalizacyjne skupiają się na rozszerzaniu wdrożonych mechanizmów predykcyjnych na nowe obszary i maszyny. Druga część działań to przygotowanie serwera danych maszyno-wych do roli portalu raportującego parametry produkcyjne. Chodzi o to, aby obok monitoringu parametrów technicznych maszyn, monitorować też proces wytwórczy. W dalekim horyzoncie czasowym te działania miałyby na celu przygotowanie serwera i sieci zakładowej do współpracy z syste-mami MES i ERP.

W tym celu, na istniejącym systemie, została wdrożona instalacja opro-gramowania bazodanowego i portalu raportującego, opartego o mechanizm webowy, jako narzędzia do prezentacji i analizy danych procesowych. Na ich podstawie, możliwe będzie wyciąganie wniosków i podejmowanie decy-zji, przez managerów, zarówno w aspekcie technicznym jak i produkcyjnym.

Kwestia predykcji zostanie wtedy rozszerzona z obszaru utrzymania ru-chu, na obszar produkcji, gdzie będzie możliwe zastosowanie jej algorytmów do przewidywania powstawania wad w wytwarzanym produkcie.

Należy jednak pamiętać, że implementacja systemu predykcyjnego jest kosztowna. Do zakupu instrumentów pomiarowych dochodzą koszty zwią-zane z ich instalacją i integracją z lokalnymi sterownikami. Dodatkowo sys-tem wymaga zarządzania i absorbuje pracę specjalisty, co też stanowi

ob-Predykcja uszkodzeń maszyn z wykorzystaniem sieci przemysłowych ...

ciążenie finansowe.

Aby z sukcesem wdrożyć program predykcyjny musimy określić zyski, które będzie on w stanie wygenerować [10]. Ten cel da się osiągnąć, jeżeli:

– założenia programu opierają się, o kalkulacje mierzalnych zysków, – zastosowano odpowiednie techniki predykcyjne,

– wysiłek poniesiony na wdrożenie, nie przekroczy wysiłku ponoszonego na standardową prewencję.

1.4. Dyskusja

Analizując przedstawione mechanizmy i osiągnięte rezultaty należy podkre-ślić aspekt wykorzystania infrastruktury sieci komunikacyjnych do wdroże-nia mechanizmów predykcyjnych. W tym wypadku nie chodziło o skompli-kowane metody i szczegółowe analizy, możliwe do wykonania na specjali-zowanych urządzeniach laboratoryjnych (analizy widm, szumów etc.), ale proste i skuteczne algorytmy wdrożone na poziomie kontrolerów maszyn.

Łącząc tego typu mechanizmy z możliwością podłączenia dużej ilości urzą-dzeń do sieci, uzyskujemy efekt skali, który przy określonym progu ilości maszyn do obsługi, daje wymierne korzyści związane z oszczędnością czasu pracy służb utrzymania ruchu.

Zaletą predykcji „przez sieć”, dla brygadzisty i inżynierów UR, jest scentralizowanie wszystkiego w jednym miejscu. Pracownicy techniczni nie muszą każdorazowo podchodzić do opomiarowanych maszyn, bo na bieżąco widzą ich status i wskazania zainstalowanych czujników (oczywiście pamię-tać należy, że mówimy cały czas o pomiarach predykcyjnych, nie zwalnia nas to z obowiązku okresowych oględzin i działań prewencyjnych).

Wdrożenie połączenia maszyn w sieć, wprowadza do predykcji nowe możliwości, znacznego jej rozszerzenia i prostego dublowania mechanizmów, opartych o warstwę programową (np. w PLC albo systemach HMI). Dużo łatwiej jest skopiować i zaadoptować działający algorytm do nowego urzą-dzenia, niż osobno doposażać je w samodzielny analizator sygnału czujni-ków.

Podejście, przedstawione na przykładzie firmy Pilkington Automotive Poland pokazuje nam metodę zastosowania mechanizmów predykcyjnych

w taki sposób, aby były możliwie jak najlepiej zrozumiane i efektywnie wykorzystane przez pracowników na poziomie brygady reakcyjnej. Wizu-alizacja pomiarów z dużego obszaru przez sieć przemysłową pozwala na bieżąco analizować trendy pomiarów i podejmować szybkie decyzje z od-powiednim wyprzedzeniem czasowym. Skutkuje to wzrostem efektywności i skuteczności pracy działu utrzymania ruchu.

Przechodząc do ogółu, obecny poziom monitoringu stanu urządzeń w cza-sie rzeczywistym (stosowany w większości przedsiębiorstw), pozwala na utrzymanie pewnego ograniczonego poziomu niezawodności jako określa-nia prawdopodobieństwa wystąpieokreśla-nia zdarzeokreśla-nia awaryjnego. Aby dążyć do doskonalenia technik predykcyjnych należy rozpocząć procces adaptacji me-chanizmów sztucznej inteligencji i uczenia maszynowego. Pozwolą one na rozpoznawanie zaawansowanych zależności i zagnieżdżeń, które mogą zo-stać pominięte przez „ludzkie oko” [8].

Z punktu widzenia metodologii badań, za jakiś czas, należy przeanali-zować wpływ adaptacji nowych technologii na firmy i organizacje związane z predykcyjnym utrzymaniem ruchu. Weryfikacji będzie należało poddać to, jak ludzie zintegrują się z nową generacją urządzeń automatyki i na jakim poziomie zaczną korzystać z algorytmów wykorzystujących sztuczną inteligencję w swoich organizacjach.

1.5. Podsumowanie

Podsumowując niniejszy artykuł, przedstawiono w nim te techniki predyk-cyjne, stosowane w dziale utrzymania ruchu, które wykorzystują mechani-zmy przemysłowych sieci komunikacyjnych i szeroko pojętego Industry 4.0.

Mamy wiec tutaj wskazania z czujników, algorytmy zagnieżdżone w ste-rownikach PLC, informacje przesyłane przez sieć i gromadzone na scen-tralizowanym serwerze, który oprócz wizualizacji pozwala na prezentację danych w formie raportów. W tych raportach, można zestawiać ze sobą wiele, pozornie niezwiązanych zmiennych i na ich podstawie wnioskować, o zależnościach mających wpływ na degradację stanu maszyn i urządzeń.

Wykorzystanie mechanizmów sieciowych i udostępniania informacji pozwo-liło na upowszechnienie wiedzy predykcyjnej i dostęp do wyników analiz już na poziomie pracowników wykonawczych. To powoduje, że wiedza, dotych-czas zarezerwowana dla wąskiego grona specjalistów, zostaje przekazana

„w dół”, a co za tym idzie, kompetencje całego zespołu idą „w górę”.

BIBLIOGRAFIA

Przedstawiona w pierwszej części naszego artykułu ilość sterowników PLC czy robotów przemysłowych, w odniesieniu do powierzchni zakładu i długości linii produkcyjnych, może dać pewien obraz co do poziomu au-tomatyzacji fabryki, w której można wdrażać sieciowe podejście do pre-dykcji. Natomiast kluczową, jest kwestia poziomu „usieciowienia” zakładu i jak tę infrastrukturę mogą wykorzystać służby UR. Dlatego celem opra-cowania było pokazanie studium przypadku firmy Pilkington Automotive Poland, jako poradnika jak przygotować infrastrukturę i potem jakich me-tod używać, aby elastycznie zarządzać konserwacjami i planowaniem prac utrzymania ruchu.

Bibliografia

[1] Biehl Wiedemann. Website: Building Automation with AS-I.

[2] A. Blachowicz. Black Belt project: Decrease level of Technical Down-time for APBL line in Chmielów plant, February 2016.

[3] Bourton Group. Six Sigma Training Materials, 2015.

[4] Z.A. Bukhsh, I. Stipanovic, A. Saeed, A.G. Doree. Maintenance in-tervention predictions using entity-embedding neural networks. Auto-mation in Construction, 116:103202, 2020.

[5] Festo. Festo Maintenance Tool - software documentation.

[6] Festo. Installing and commissioning CPX terminals, 2005.

[7] L. Huang, M. Chen, Y. Liu. Learning-Aided Stochastic Network Opti-mization With State Prediction. IEEE/ACM Transactions on Networ-king, 26:1810–1820, August 2018.

[8] V.J. Jimenez, N. Bouhmala, A.H. Gausdal. Developing a predictive maintenance model for vessel machinery. Journal of Ocean Engine-ering and Science, 2020.

[9] I.-S. Jung, B.M. Mulman, D. Thapa, L.-J. Koo, J.-H. Bae, S.-H. Hong, S. Yeo, C.M. Park, S.C. Park, G.-N. Wang. PLC Control Logic Er-ror Monitoring and Prediction Using Neural Network. International Conference on Natural Computation, 2:484–488, October 2008.

[10] R. Keith-Mobley. An Introduction to Predictive Maintenance.

Butterworth-Heinemann, 2002.

[11] Movida. Materialy konferencyjne: XI FORUM Służb Utrzymania Ru-chu, 2017.

[12] M. Rafeeq, A. Afzal, S. Rajendra. Remote Supervision and Control of Air Conditioning Systems in Different Modes. J. Inst. Eng. India Ser.

C, strony 100–175, 2019.

[13] Rockwell Automation. Publication ENET-UM527E-EN-P, 2006.

[14] Rockwell Automation. Publication FTALK-PP028I-EN-P, 2016.

[15] Rockwell Automation. Publication HSE-IN025D-EN-E, 2018.

[16] Rockwell Automation. Publication HSELD-UM024C-EN-E, 2018.

[17] A. Syaichu-Rohman, R. Sirius. Model predictive control implementa-tion on a programmable logic controller for DC motor speed control.

Proceedings of the 2011 International Conference on Electrical Engi-neering and Informatics, Bandung., 1:1–4, 2011.

[18] R. K. Valencia-Palomo, G.and Hilton, J. A. Rossiter. Predictive Con-trol implementation in a PLC using the IEC 1131.3 programming stan-dard. 2009 European Control Conference (ECC), Budapest., strony 1317–1322, 2009.

Machine breakdowns prediction, using industrial networks and industry 4.0 mechanism

Abstract: Modern production plants are inevitable coming to achive standards determined by fourth industry revolution. Together with change in machines de-sign, also change technical departments (especially Maintenance), management and staff approach to diagnostic and breakdown prediction process. In those plants, especially working for automotive industry, architecture of machines control and their metering allows us to implement automatic prediction mechanism. Program-mable logic controllers network connection, give us access to process and machines data, which we can use to prepare prediction algorithms. Moreover, modern PLCs allows us to create advanced subroutines to implement prediction at the level of single machine. Collected data can be visualised directly on machine operation panel, and stored in central database for reporting portal or MES system. Those fetaures of industry network connection, allows us to create system of supervision and management of the machine park.

2. Budowa zdecentralizowanej sieci